一种基于Johnson变换和粒子滤波算法的轴承故障诊断与剩余寿命预测方法技术

一种基于Johnson变换和粒子滤波算法的轴承故障诊断与剩余寿命预测方法，包括以下步骤：1)采集轴承全寿命周期振动信号；2)利用振动信号计算K‑S距离，基于K‑S距离构建出反映轴承健康状态的指数；3)基于所构建的健康指数，对健康工作时非高斯分布的健康指数数据，运用Johnson变换，转换成高斯分布的数据，利用高斯分布的性质，确定相关异常阈值范围；4)对耗损期的健康指数数据拟合分析，构建表征轴承退化过程的状态空间模型，利用当前观测得到的健康指数数据和粒子滤波算法更新模型参数并预测轴承的剩余寿命。本发明专利技术有效诊断出早期轴承故障发生，从而准确地截取出轴承耗损期的性能退化数据，该方法计算速度较快且剩余寿命预测精度较高。

【技术实现步骤摘要】

本专利技术属于轴承故障诊断与预测领域，尤其涉及一种基于Johnson变换和粒子滤波算法的轴承故障诊断与剩余寿命预测方法。
技术介绍
轴承是旋转机械中不可缺少的零部件，在电力、石化、冶金、机械、航空航天以及一些军事工业部门中广泛使用，是保证精密机床、高速铁路、风力发电机等重要装备设施精度、性能、寿命和可靠性的核心零部件，然而它也是这些装备中最容易发生故障的部件之一。据统计，旋转机械的大部分故障是由于轴承故障引起的。轴承发生故障，轻则降低或失去装备的某些功能，重则造成严重的甚至是灾难性的后果。因此轴承的状态监测、故障诊断与预测一直是近年来的一个研究重点。考虑到轴承从早期故障发生，发展直至失效是一个非线性、动态的过程，因此利用基于贝叶斯理论的非线性滤波算法，如扩展卡尔曼滤波、无迹卡尔曼滤波等在轴承的故障预测方面得到了快速的发展。然而基于卡尔曼滤波框架的轴承故障预测方法是基于样本服从高斯分布的假设发展起来的，当样本不服从高斯分布假设的时候，基于卡尔曼滤波框架的轴承故障预测方法并不适用。
技术实现思路
为了克服现有的非线性贝叶斯滤波算法在解决轴承故障预测时剩余寿命预测精度较低、基于卡尔曼滤波框架的故障预测方法不适用于对非高斯分布样本进行剩余寿命预测等不足，本专利技术提供了一种预测精度较高、耗时较短，且适用于非高斯分布样本的基于Johnson变换和粒子滤波算法的轴承故障诊断与剩余寿命预测方法。为了解决上述技术问题提供的技术方案为：一种基于Johnson变换和粒子滤波算法的轴承故障诊断与剩余寿命预测方法，所述方法包括以下步骤：S1.采集轴承的全寿命周期振动信号；S2.利用振动信号计算K-S距离，基于K-S距离构建出反映轴承健康状态的指数；S3.所构建的健康指数在整个轴承寿命周期上，呈现为两头高，中间低的曲线，对轴承健康时非高斯分布的健康指数，运用Johnson变换，转换成高斯分布的数据，利用高斯分布的性质，确定轴承发生异常时的健康指数的阈值；S4.拟合分析轴承耗损期的健康指数数据，构建退化模型并建立状态空间模型，利用当前观测到的健康指数数据和粒子滤波算法更新模型参数，并预测剩余寿命，过程如下：对耗损期的健康指数数据，拟合分析构建如下的退化模型：HI(k)＝a·exp(b·k)+c·exp(d·k) (1)上式中，HI(k)为轴承在k时刻的健康指数，k为时间参数，a,b,c,d为模型参数，基于该退化模型构建状态方程： a k = a k - 1 + w k - 1 a - - - ( 2 ) ]]> b k = b k - 1 + w k - 1 b - - - ( 3 ) ]]> c k = c k - 1 + w k - 1 c - - - ( 4 ) ]]> d k = d k - 1 + w k - 1 d - - - ( 5 ) ]]>上式中，ak,bk,ck,dk和ak-1,bk-1,ck-1,dk-1为分别在k时刻和k-1时刻的状态变量a,b,c,d的值，为在k-1时刻，独立的且分别对应状态变量a,b,c,d的噪声；同时构建测量方程：HIk＝ak·exp(bk·k)+ck·exp(dk·k)+vk (6)上式中，HIk为在k时刻健康指数的测量值，vk为在k时刻的测量噪声；利用粒子滤波算法更新状态方程和测量方程参数至k时刻，按公式(1)计算k+l时刻的健康指数HI(k+l)：HI(k+l)＝ak·exp(bk·(k+l))+ck·exp(dk·(k+l)) (7)上式中，l＝1,2,…,∞；计算使得不等式(8)成立的l的值，并记录l的最小值为在k时刻预测的轴承剩余寿命；HI(k+l)＞故障阀值 (8)。进一步，所述S2中，对S1所得的轴承全寿命周期振动信号，构建健康指数，过程如下；设第k时刻健康指数Xk，其中包含N个采样点，则样本数据集合为Xk＝(X1,X2,…,XN)，将样本的观测值按照从小到大排列X(1)≤X(2)…≤X(N)，则样本的累积分布函数为： F X ( x ) = 0 x < X ( 1 ) j N X ( j ) ≤ x < X 本文档来自技高网...

【技术保护点】
一种基于Johnson变换和粒子滤波算法的轴承故障诊断与剩余寿命预测方法，其特征在于：所述方法包括以下步骤：S1.采集轴承的全寿命周期振动信号；S2.利用振动信号计算K‑S距离，基于K‑S距离构建出反映轴承健康状态的指数；S3.所构建的健康指数在整个轴承寿命周期上，呈现为两头高，中间低的曲线，对轴承健康时非高斯分布的健康指数，运用Johnson变换，转换成高斯分布的数据，利用高斯分布的性质，确定轴承发生异常时的健康指数的阈值；S4.拟合分析轴承耗损期的健康指数数据，构建退化模型并建立状态空间模型，利用当前观测到的健康指数数据和粒子滤波算法更新模型参数，并预测剩余寿命，过程如下：对耗损期的健康指数数据，拟合分析构建如下的退化模型：HI(k)＝a·exp(b·k)+c·exp(d·k)                    (1)上式中，HI(k)为轴承在k时刻的健康指数，k为时间参数，a,b,c,d为模型参数，基于该退化模型构建状态方程：ak=ak-1+wk-1a---(2)]]>bk=bk-1+wk-1b---(3)]]>ck=ck-1+wk-1c---(4)]]>dk=dk-1+wk-1d---(5)]]>上式中，ak,bk,ck,dk和ak‑1,bk‑1,ck‑1,dk‑1为分别在k时刻和k‑1时刻的状态变量a,b,c,d的值，为在k‑1时刻，独立的且分别对应状态变量a,b,c,d的噪声；同时构建测量方程：HIk＝ak·exp(bk·k)+ck·exp(dk·k)+vk                 (6)上式中，HIk为在k时刻健康指数的测量值，vk为在k时刻的测量噪声；利用粒子滤波算法更新状态方程和测量方程参数至k时刻，按公式(1)计算k+l时刻的健康指数HI(k+l)：HI(k+l)＝ak·exp(bk·(k+l))+ck·exp(dk·(k+l))             (7)上式中，l＝1,2,…,∞；计算使得不等式(8)成立的l的值，并记录l的最小值为在k时刻预测的轴承剩余寿命；HI(k+l)＞故障阀值                       (8)。...

【技术特征摘要】
1.一种基于Johnson变换和粒子滤波算法的轴承故障诊断与剩余寿命预测方法，其特征在于：所述方法包括以下步骤：S1.采集轴承的全寿命周期振动信号；S2.利用振动信号计算K-S距离，基于K-S距离构建出反映轴承健康状态的指数；S3.所构建的健康指数在整个轴承寿命周期上，呈现为两头高，中间低的曲线，对轴承健康时非高斯分布的健康指数，运用Johnson变换，转换成高斯分布的数据，利用高斯分布的性质，确定轴承发生异常时的健康指数的阈值；S4.拟合分析轴承耗损期的健康指数数据，构建退化模型并建立状态空间模型，利用当前观测到的健康指数数据和粒子滤波算法更新模型参数，并预测剩余寿命，过程如下：对耗损期的健康指数数据，拟合分析构建如下的退化模型：HI(k)＝a·exp(b·k)+c·exp(d·k) (1)上式中，HI(k)为轴承在k时刻的健康指数，k为时间参数，a,b,c,d为模型参数，基于该退化模型构建状态方程： a k = a k - 1 + w k - 1 a - - - ( 2 ) ]]> b k = b k - 1 + w k - 1 b - - - ( 3 ) ]]> c k = c k - 1 + w k - 1 c - - - ( 4 ) ]]> d k = d k - 1 + w k - 1 d - - - ( 5 ) ]]>上式中，ak,bk,ck,dk和ak-1,bk-1,ck-1,dk-1为分别在k时刻和k-1时刻的状态变量a,b,c,d的值，为在k-1时刻，独立的且分别对应状态变量a,b,c,d的噪声；同时构建测量方程：HIk＝ak·exp(bk·k)+ck·exp(dk·k)+vk (6)上式中，HIk为在k时刻健康指数的测量值，vk为在k时刻的测量噪声；利用粒子滤波算法更新状态方程和测量方程参数至k时刻，按公式(1)计算k+l时刻的健康指数HI(k+l)：HI(k+l)＝ak·exp(bk·(k+l))+ck·exp(dk·(k+l)) (7)上式中，l＝1,2,…,∞；计算使得不等式(8)成立的l的值，并记录l的最小值为在k时刻预测的轴承剩余寿命；HI(k+l)＞故障阀值 (8)。2.如权利要求1所述的一种基于Johnson变换和粒子滤波算法的轴承故障诊断与剩余寿命预测方法，其特征在于：所述S2中，对S1所得的轴承全寿命周期振动信号，构建健康指数，过程如下；设第k时刻振动信号Xk，其中包含N个采样点，则样本数据集合为Xk＝(X1,X2,…,XN)，将样本的观测值按照从小到大排列X(1)≤X(2)…≤X(N)，则样本的累积分布函数为： F X ( x ) = 0 x < X ( 1 ...

【专利技术属性】
技术研发人员：金晓航，阙子俊，孙毅，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33